Sample-Based Classification Procedures Derived from Density Estimators
由密度估计导出的样本分类程序AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究一般统计分类与密度估计，分类任务不等同于离散选择，亦无所列其他细分的直接证据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
由密度估计导出的样本分类程序
- 研究问题
- 如何利用混合分布的密度估计，评价分类规则的正确分类概率并构造样本分类器，同时理解表观准确率偏差？
- 方法与思路
- 作者用参数或非参数密度估计计算正确分类概率，并构造使其估计值最大的规则，同时讨论渐近性质与表观偏差。
- 材料陈述的贡献
- 摘要称规则在较一般条件下渐近最优；表观正确率可能高于真实值并高估最优正确率，但最终收敛于该最优值。
- 阅读关注点
- 应核对密度估计与渐近最优性所需条件、表观正确率的定义，以及有限样本偏差和收敛结论的适用范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；未列出渐近条件或偏差大小，不能据此保证有限样本分类表现。
原文摘要
Parametric or nonparametric density estimators from a mixture of K distributions can be used to estimate the non-error rate of an arbitrary classification rule—and to construct a rule which maximizes estimated probability of correct classification. (For two multivariate normal distributions with common covariance matrix, this general criterion yields the usual linear discriminant.) Such a sample-based rule is asymptotically optimal under very general conditions. Often its “apparent” non-error rate exceeds its true rate and is even optimistically biased as an estimator of the (unknown) optimal rule's non-error rate; but the apparent rate converges to this optimum.